La inteligencia artificial está revolucionando el análisis de datos en marketing digital, permitiendo obtener insights más rápidos, precisos y accionables. En nuestro último webinar, Potencia tu analítica digital con inteligencia artificial, exploramos herramientas, aplicaciones y ejemplos reales para optimizar la productividad y la toma de decisiones estratégicas. Te contamos lo más destacado.
¿Quieres ver la grabación del webinar?
¿Te gustaría saber cómo integrar la inteligencia artificial a tu trabajo como analista?
Solo déjanos tus datos y te enviaremos el enlace directamente a tu correo electrónico.
Potencia tu analítica digital con inteligencia artificial
En nuestro último webinar, exploramos cómo la IA está revolucionando el análisis de datos y la toma de decisiones en marketing. Alazne Carro y Antón Suárez compartieron herramientas clave y casos prácticos, como:
Comparativa de marcas con Shopping GPT
Realiza análisis en tiempo real de productos y marcas, identificando fortalezas, debilidades y rankings para optimizar tu estrategia comercial.
Análisis de sentimiento con Manus
Comprende la percepción de los usuarios a partir de reseñas online, detectando oportunidades de mejora y gestionando la reputación con datos objetivos.
Conversation Analytics en Looker Studio Pro
Interactúa con tus dashboards usando lenguaje natural y crea visualizaciones de manera rápida y accesible, sin necesidad de conocimientos técnicos avanzados.
Clasificación de cookies con ChatGPT
Audita el cumplimiento normativo fácilmente, clasificando cookies por tipo y esencialidad para garantizar la conformidad con RGPD.
Generación de consultas SQL en BigQuery con Gemini
Crea consultas con lenguaje natural, eliminando barreras técnicas y acelerando la extracción de insights.
Predicciones de ventas
Genera datasets de prueba y aplica modelos predictivos para anticipar resultados y optimizar inversiones en marketing.
Conversaciones directas con Google Analytics y otras plataformas
Combina herramientas como Claude y Adzviser para obtener resúmenes automáticos, proyecciones y recomendaciones estratégicas en un mismo flujo de trabajo.
¿Te perdiste el webinar?
¿Te gustaría ver el webinar completo? Rellena el formulario y recibe el acceso a la grabación para profundizar en todas las herramientas y casos prácticos presentados.
Transcripción del webinar
Antón: Hoy estoy con Alazne, que es analista de datos y además responsable de toda el área de formación en Aditu, y que nos va a contar todo lo que hemos preparado para hoy. Yo llevo la parte de desarrollo de negocio, y a muchos os he escrito por LinkedIn para invitaros a este webinar. Gracias por venir.
Los temas que vamos a ver son justo los que os proponíamos: son bastantes, ocho temas en total —comparativa de marcas, análisis del sentimiento, analítica conversacional, análisis y clasificación de cookies, generación de consultas SQL, desarrollo de datasets, elaboración de predicciones, y conversaciones con GA4—. Abajo, en el pie de la ventana de Zoom, tenéis un área de preguntas y respuestas donde podéis ir dejando todo lo que queráis, y al final dedicaremos el tiempo que haga falta para responderlas.
Os cuento brevemente por qué surge este webinar. Nosotros somos una consultora 100% especializada en análisis de datos para marketing digital, y trabajamos como un equipo externo para grandes marcas que tienen su propio departamento de marketing digital y su responsable de datos, y que, cuando tienen grandes retos en este sentido, acuden a nosotros; también trabajamos con agencias y consultoras. Cubrimos todo lo relacionado con analítica de datos para marketing digital, y, en ese camino, estamos en proyectos muy distintos en muchos sectores, y los equipos que trabajan con Alazne recurren habitualmente a la IA para ser más productivos en su trabajo. Por eso se nos ocurrió hacer este webinar: contar todos esos trucos, esos hacks, que hemos ido descubriendo por el camino.
Así que espero que disfrutéis mucho este webinar. Alazne, a partir de ahora me silencio, todo tuyo.
Alazne: Vamos a por ello. Vamos allá.
1. Comparativa de marcas y productos
Empezamos con algo bastante habitual en nuestro día a día: la comparativa de marcas y productos. Es muy habitual que un cliente nos pregunte «¿cómo me está percibiendo la gente?» —no solo hablamos de conocer los puntos débiles y fuertes de la marca, sino también de cómo estamos considerados y posicionados dentro de nuestro mercado—.
Aquí nuestra herramienta de referencia es Shopping GPT —no el ChatGPT normal, sino la versión enfocada a compras—. Simplemente con un prompt sencillo —por ejemplo, pedir una comparativa entre dos marcas—, la herramienta coge los principales puntos de referencia que usan los clientes: variedad de producto, precio, calidad percibida, percepción ética o social, etc. Los analiza uno por uno para decir cuáles son los puntos fuertes y débiles de cada marca, y, a partir de ahí, genera un ranking, indicando quién «gana» en cada categoría, con el análisis previo como justificación. Si queremos, podemos pedirle más detalle sobre cada categoría para sacar puntos de mejora, y, si estamos muy por debajo de un competidor, saber qué hacer para posicionarnos mejor.
No solo se queda a nivel de marca: muchas empresas quieren saber si un producto concreto está bien considerado o no frente a la competencia. Aquí podemos pedirle una comparativa más orientada a producto, y la herramienta no solo compara atributos, sino que puede acceder a precios en tiempo real, haciendo un análisis totalmente actualizado, e incluso da recomendaciones sobre cuándo puede ser mejor momento para comprar un artículo concreto.
¿Por qué es importante usar esta herramienta para este tipo de análisis? Porque todo se hace en tiempo real: Shopping GPT accede a comparadores, tiendas, sitios de reseñas y plataformas de e-commerce, y hace el análisis en el momento en que se lo pides, sin tirar de un histórico. Además, cada vez es más frecuente que Shopping GPT se posicione como un sitio de referencia para los usuarios que quieren comprar: analiza qué productos o marcas convienen más, las compara, crea listas de la compra, e incluso enlaza directamente a los sitios web para completar la compra. Así que Shopping GPT ya es un canal más de referencia de compra —una fuente de ingresos—, y tenemos que saber cómo nos percibe y cómo nos posicionamos dentro de esta herramienta, para potenciar esa percepción de cara a que sea nuestro producto el que recomiende.
En cuanto a limitaciones: la misma de todas las IA, si los datos no están online, es casi como si no existieran; si no hay suficiente información sobre una marca o producto, la comparativa no será muy eficaz. Y, si le preguntamos por elementos internos o propios de cada usuario —por ejemplo, descuentos personalizados dentro de una app—, no va a poder acceder a ellos, porque no son información pública.
2. Análisis de sentimiento
Otra parte complementaria: no solo cómo nos perciben como marca en cuanto a atributos, sino qué sentimiento generamos en los usuarios. Para esto usamos una herramienta especializada en revisión de reseñas y opiniones: Manus.
Con un prompt como «revisa las reseñas y opiniones del hotel Meliá en Barcelona y haz un análisis de sentimiento que incluya los principales aspectos positivos y negativos», la herramienta te explica todo el proceso que sigue: primero busca muchas reseñas, las recopila, las categoriza, las analiza, y por último te entrega un informe final con todo el trabajo. Puedes ver en directo, en vídeo, todos los sitios web que va visitando, y al final te entrega una compilación de documentos: uno con las reseñas de Booking, otro con las de Google My Business, otro solo con el análisis de sentimiento, y, sobre todo, un informe final con todas las conclusiones.
Antón: Veo que en la diapositiva anterior hay una pequeña errata en el título, ponía «ventajas» dos veces. Aprovecho también para recordar que mandaremos el vídeo a todos los apuntados, y la presentación se la enviaremos a quienes hayáis asistido al webinar en directo y respondáis luego a una pequeña encuesta que os mandaremos.
Alazne: Sí, la grabación para todos, la presentación para quienes respondan la encuesta. Entonces, en contraposición, las limitaciones: la IA es muy objetiva, pero tiene el contrapunto de que es incapaz de entender bien el lenguaje sarcástico o poco claro; hay reseñas ambiguas donde la herramienta puede bloquearse un poco a la hora de decidir si el comentario es positivo o negativo. Y, cuando un mismo usuario mezcla varios aspectos en una reseña —algo positivo del precio, pero crítico con la ubicación—, la herramienta también puede quedarse limitada a la hora de clasificarla. Cuanto más clara sea la reseña, más fácil lo tendrá Manus para interpretarla correctamente.
3. Analítica conversacional (Conversational Analytics en Looker Studio)
Es una herramienta nueva dentro de Looker Studio, en el panel lateral izquierdo, que nos permite conversar directamente con nuestros datos, en lugar de estar solo mirando un dashboard. Se conecta a cuatro tipos de fuentes: un dashboard de Looker Studio, un set de datos de BigQuery, una hoja de cálculo de Google, o un archivo CSV local.
Una vez conectado, se abre una interfaz con tres opciones: preguntas sugeridas automáticamente (siempre en inglés), preguntas de ejemplo dentro de «consulta ejemplos de preguntas admitidas», o una barra de texto libre para escribir lo que queramos. Las tres son válidas, pero cuanto más se ajuste la pregunta a la estructura estándar, más fiable y precisa será la respuesta. El resultado siempre es una visualización —tabla, gráfico de barras, líneas, áreas, circular, dispersión, mapa geográfico o mapa de calor—, según lo que se haya preguntado.
Como estas conversaciones suelen ser puntuales, si consultamos una misma fuente de datos con mucha periodicidad, conviene crear un agente: un modelo entrenado que ya sabe qué datos sacar y cómo mostrarlos, sin tener que repetir el mismo prompt cada vez.
Ventajas: Looker Studio suele requerir cierto nivel de especialización —conocer métricas, dimensiones, filtros—, y con Conversational Analytics podemos crear gráficos personalizados sin pelearnos tanto con la herramienta, todo en lenguaje natural, y, con los agentes, de forma muy automática.
Limitaciones: de momento solo esas cuatro fuentes de datos; si queremos conectar directamente Facebook, otras bases de datos, o plataformas publicitarias, todavía no se puede —hay que pasar por un CSV—. Tampoco llega, por ahora, a hacer proyecciones a futuro, análisis estadístico avanzado, detección de patrones o anomalías: sirve para visualizar mejor datos que ya tenemos, no para un análisis especializado. Y, al ser una herramienta muy reciente —está marcada como «vista previa»—, puede tener fallos o funciones todavía no disponibles.
4. Análisis y clasificación de cookies
Otro de nuestros grandes quehaceres es revisar el consentimiento de cookies. Tenemos que analizar si un sitio web cumple con el RGPD, es decir, que no se lancen cookies no esenciales antes de que el usuario las acepte. El proceso: entrar a la web sin haber interactuado con el aviso de cookies (o borrando las cookies para que vuelva a aparecer), botón derecho, inspeccionar, ir a la pestaña de «Aplicación» y buscar la sección de cookies del sitio. Ahí aparece un listado con los nombres de todas las cookies; lo copiamos entero.
Después, vamos a ChatGPT con un prompt del tipo: «clasifica estas cookies», indicando que incluya nombre, dominio, duración, tipo (propia o de terceros), categoría (técnica, analítica, publicitaria) y si es esencial o no, y pegamos el listado. Si queremos, podemos pedir campos adicionales, como la finalidad específica o el tamaño. El resultado es una tabla mucho más clara, donde se ve exactamente qué cookies hay y, sobre todo, cuáles son esenciales. Si se lanzan cookies no esenciales antes de la aceptación del usuario, hay un incumplimiento del RGPD.
Antón: ¿Cuántas soft audits de aviso de cookies pides al día, Alazne?
Alazne: Yo diría que al menos una al día.
Antón: Tengo una sorpresa para todos los asistentes: de manera proactiva, cuando vemos una marca o un cliente con el que trabajamos o nos gustaría trabajar, solemos revisar un poco su aviso de cookies, y les pasamos tres puntos de mejora —si tienen bien puesto el Consent Mode, si están lanzando cookies que no deberían sin consentimiento, etc.—. Si queréis, después del webinar nos escribís y le echamos un vistazo rápido —no todos de golpe, que Alazne solo tiene ocho horas al día de trabajo—, pero con gusto os decimos si lo tenéis bien puesto o qué mejorar.
Alazne: Eso es. Además, es algo muy entretenido de hacer, porque al final se ven cosas interesantes con las cookies.
Ventajas: identificamos las cookies sin tener que revisarlas una por una en una tabla incómoda, y ayuda con el cumplimiento normativo, evitando sanciones y crisis reputacionales por incumplimientos del RGPD.
Limitaciones: detectamos el problema fácilmente con este procedimiento, pero cualquier intervención posterior —corregir el CMP, integrar y condicionar correctamente el lanzamiento de cookies a la aceptación del usuario— es un trabajo manual, que requiere un especialista; no es largo, pero sí requiere cierto nivel técnico.
5. Generación de consultas SQL en BigQuery
BigQuery ganó mucha relevancia con la transición de Universal Analytics a GA4, sobre todo porque es un repositorio masivo de datos: podemos volcar ahí cualquier fuente —GA4, plataformas publicitarias, redes sociales, CRM— e integrarla. Además, esos datos están en bruto, sin preprocesar, y son totalmente maleables: se pueden personalizar, modificar o crear nuevos campos.
El problema es que, para eso, hace falta escribir consultas SQL, lo cual requiere conocer ese lenguaje, algo que frena a mucha gente. Aquí entra en juego Gemini, el asistente de Google dentro de BigQuery: con el icono correspondiente, simplemente le decimos en lenguaje natural qué queremos —por ejemplo, «busca todos los eventos que contengan ‘form’ y dime cuántas veces se ha lanzado cada uno»—. Gemini genera el código SQL, permite revisarlo antes de ejecutarlo, indica cuánto va a consumir (BigQuery es una herramienta de pago por uso), y, si queremos, lo podemos modificar. Al aceptar, se inserta directamente en la interfaz de BigQuery y devuelve el resultado.
Ventajas: no hace falta conocimiento avanzado de SQL, funciona con cualquier fuente de datos integrada en BigQuery (Google Analytics, Meta, HubSpot, Firebase, etc.), y son consultas conversacionales, sin necesidad de elaborar mucho el prompt.
Limitaciones: hay que conocer nuestros propios datos —qué campos, dimensiones y métricas tenemos—, para saber si la herramienta va a poder extraer la información que buscamos y valorar cómo la interpreta; y ayuda tener un conocimiento mínimo de SQL para poder revisar la consulta que genera Gemini, aunque lo imprescindible es conocer bien los datos.
6. Desarrollo de datasets de prueba
Cuando trabajamos con volúmenes masivos de datos, sobre todo para hacer prototipos o debug, o para entrenar modelos de Marketing Mix Modeling, usamos datasets de prueba, sin arriesgar los datos reales de los clientes.
Antón: Lo hemos usado para las demos de Meridian, ¿verdad?
Alazne: Eso es, sí, sí.
Antón: También hemos probado con otros modelos, pero sobre todo con Meridian. Hace un par de meses creamos una demo ficticia de Meridian porque no podíamos usar datos reales de clientes, y hemos tenido varias reuniones con directores de marketing —sobre todo de Paid Media, algunos de datos— para explicar cómo funciona: es el modelo de Marketing Mix Modeling de Google, gratuito y abierto a todo el mundo, pero es un poco complejo de usar, sobre todo por cómo hay que introducir los datos, aunque los resultados son muy buenos. Para enseñar qué tipo de gráficos genera Meridian, y saber qué canales dan mayor conversión y ventas, tanto offline como online, hicimos un dataset como este, ¿verdad?
Alazne: La verdad es que, en este caso, fue para una demo, pero en entrenamientos generales de modelos también solemos usar este tipo de datasets, porque nos permiten detectar errores que puede tener la plataforma, y ver qué puntos de mejora aplicar al modelo antes de llevarlo al cliente. Pero sí, para esa demo, Antón, usamos un set de prueba para poder ilustrar perfectamente cualquier gráfico o conclusión que sacara Meridian.
Antón: Por cierto, otra cuña publicitaria: si alguien quiere ver una demo de Meridian —la hacemos en media horita—, también nos podéis escribir y os la enseñamos sin ningún compromiso.
Alazne: Sí. Entre los usos de Meridian, sobre todo, podemos enfocarlo a predicciones de venta o al análisis de qué canales convierten mejor: invertimos mucho dinero en distintas plataformas publicitarias y queremos saber cuál rinde mejor, y qué pasaría si invirtiéramos más o menos en cada una. Meridian da muchos insights sobre dónde y cómo invertir, y qué resultados cabe esperar.
Volviendo a los datasets: lo que hacemos, dentro de Gemini, es pedirle, por ejemplo, «necesito un dataset en CSV con datos de venta de un e-commerce, con al menos dos años de antigüedad y granularidad semanal». Gemini genera un fragmento de código y explica qué incluye cada campo —número de pedidos, artículos vendidos, etc.—. Si le pedimos que genere una tabla muy grande, Gemini se queda corto, y él mismo recomienda generar un script de Python: si aceptamos, te lo crea directamente, y lo puedes adaptar —divisa en euros en vez de dólares, separador de punto en vez de coma, añadir columnas, etc.—.
Con ese script, nos vamos a Google Colab, una herramienta de Google para generar y ejecutar código Python, que además ayuda a corregir errores. Pegamos el código, lo ejecutamos, y obtenemos el archivo CSV completo, descargable, con toda la información —fecha, ventas, clientes, inversión—. Todo el proceso, de principio a fin, no lleva más de 5 o 10 minutos, frente a las horas que llevaría crear un dataset así manualmente.
Ventajas: datos totalmente personalizados y adaptados a las necesidades de cada proyecto, en muy poco tiempo.
Limitaciones: hace falta un conocimiento técnico mínimo para identificar errores —divisas incorrectas, separadores mal puestos, etc.— y saber pedir las correcciones adecuadas.
7. Elaboración de predicciones
Con ese dataset, podemos ir a la elaboración de predicciones —en este caso, para un modelo de Marketing Mix Modeling—. Cargamos el CSV en ChatGPT y le pedimos, por ejemplo: «a partir de los datos del CSV, aplica los algoritmos necesarios para predecir el volumen de ventas de las siguientes 20 semanas, y explica cómo lo has hecho». La herramienta explica el proceso —limpieza de datos, modelado de series temporales, qué modelo ha usado— y genera una predicción con una visualización, aunque bastante básica, porque ChatGPT no está pensado principalmente para la parte visual.
Para no quedarnos cortos ahí, podemos llevar el mismo dataset y la misma petición a Claude, donde el resultado es muy distinto: un dashboard real, completo e interactivo, que podemos adaptar a lo que queramos ver, y que permite visualizar de forma mucho más eficaz esa predicción de ventas.
Ventajas: trabajamos con datos a futuro, no solo históricos, lo que permite anticipar problemas de stock o aprovechar picos de demanda previstos. Además, el mismo dataset en CSV nos sirve para ChatGPT, para Claude, o para cualquier otra IA, así que podemos combinarlas: ChatGPT para analizar el proceso y sacar conclusiones, Claude para la monitorización visual.
Limitaciones: las predicciones son un proceso iterativo, no algo que se hace una vez y se olvida; hay que ir actualizando los datos con el tiempo —no hace falta a diario, con una vez al mes o cada dos o tres meses es suficiente—, pero conviene repetirlo para mantener un modelo de calidad y predicciones fiables.
8. Conversaciones con Google Analytics 4
Una de nuestras preocupaciones ha sido siempre que los datos se queden estáticos y difíciles de interpretar; buscamos facilitar esa interpretación y la toma de decisiones basada en datos. Aquí combinamos Claude, para la creación de visualizaciones, con una integración de fuentes de datos y análisis (Adzviser).
Se activan las cuentas de Claude y de esta integración, se seleccionan las fuentes de datos con las que trabajar —Google Analytics, Search Console, Facebook, herramientas de email marketing y e-commerce, entre otras—, y luego, desde Claude, se busca e integra esa conexión, quedando las dos plataformas unificadas. A partir de ahí, se pueden lanzar prompts como «haz un resumen del rendimiento de mi web del último mes, qué es lo más destacable» —pidiendo, en el fondo, que detecte anomalías, patrones o algo fuera de lo habitual—.
La herramienta explica el proceso seguido —qué fuentes y métricas ha usado, qué cálculos ha hecho— y da un resumen con las cifras más relevantes (usuarios activos, sesiones, páginas vistas, duración de sesión, usuarios nuevos), fortalezas (fuentes de tráfico más potentes, dispositivos más usados), todo acompañado de un dashboard actualizado e interactivo. También se le puede preguntar, por ejemplo, qué red social —Facebook, Instagram, LinkedIn— aporta más antes de la conversión: la herramienta clasifica todas las redes conectadas, indica qué porcentaje de conversiones suponen, cuántas entradas a la web generan y desde qué URL, valora la calidad de cada canal más allá de lo numérico, y genera recomendaciones estratégicas concretas. O, basándose en tendencias actuales (aunque con un histórico más limitado que en el caso de Meridian), cuántas conversiones se pueden esperar el próximo mes, con su propio dashboard interactivo.
Ventajas: muy sencillo de usar —solo dos conexiones— y 100% en lenguaje natural; conecta muchas fuentes de datos (web, apps, redes sociales, plataformas publicitarias) para un análisis conjunto y unificado.
Limitaciones: hay límites de volumen de datos —cuando detecta que el volumen es muy alto, avisa y pide confirmación para seguir analizando—; y, como toda IA, interpreta los datos, pero el conocimiento de negocio y la experiencia estratégica solo los tiene quien trabaja dentro de la empresa o el propio cliente, así que sus recomendaciones hay que revisarlas con perspectiva crítica.
Bonus track: chat con IA en Google Analytics
Esto es tan actual que, literalmente, se publicó ayer: Google lanzó una beta de un chat integrado directamente en la interfaz de Google Analytics —accesible desde la barra de búsqueda o un icono de mensaje—, que usa lenguaje conversacional para ayudar a interpretar los datos dentro de la propia herramienta. Facilita mucho la interpretación de los datos, pero todavía requiere mejoras: a veces no da una respuesta concreta, y está bastante limitado en sus respuestas por ahora. Da pistas claras de hacia dónde quiere ir Google con la IA para acercar los datos a los usuarios, pero, siendo tan reciente, habrá que ver cómo evoluciona.
Preguntas y respuestas
Antón: Estupendo, Alazne, muchísimas gracias. Bebe agua, que menudo pitch nos has soltado. A mí me ha parecido superentretenido y superútil, enhorabuena. Nos han ido dejando varias preguntas a lo largo del webinar.
¿Las herramientas mencionadas, Claude y Adzviser, son gratuitas o de pago?
Alazne: Las dos tienen un coste asociado. Claude, en su versión Pro —la que haría falta para lo que hemos visto—, ronda los 18 € al mes; Adzviser es un poco más cara, en torno a los 48-49 € al mes. Pero, antes de comprarlas, os aconsejo aprovechar el periodo de prueba gratuito, de dos semanas, para ver si os convence.
¿También usáis la IA para encontrar errores en el tracking web o de app de una marca, igual que con la auditoría de cookies?
Alazne: Hemos hecho pruebas, siendo sincera, porque siempre que podemos reducir tareas repetitivas o mecánicas, lo hacemos. Pero, para esa parte de análisis del tracking, la IA no funciona bien: saca conclusiones erróneas cuando las comparamos con la realidad.
Antón: De todas formas, si pasas a la siguiente diapositiva, que la dejamos de fondo por si alguien quiere apuntarse: en hola@aditu podéis pedirnos una soft audit, dentro de lo razonable, sobre el aviso de cookies o el tracking. Es una forma de empezar la conversación.
¿En qué se diferencia ChatGPT normal de Shopping GPT, y es Shopping GPT gratuita o de pago?
Alazne: Vamos por partes. Son herramientas muy similares en cuanto al uso —a la hora de hablar con ellas, siguen siendo un prompt conversacional—, pero hay diferencias importantes. La primera: ChatGPT normal sirve para consultas generalistas, mientras que Shopping GPT está muy enfocada al e-commerce —consultas sobre productos, asesoramiento de compra, listas, comparativas—. La segunda, y para mí la más importante: ChatGPT se basa en un modelo entrenado con un histórico de datos, no busca en tiempo real, mientras que Shopping GPT sí accede a la información en directo, justo cuando se lo pides.
En cuanto al coste, las dos son gratuitas —tienen versiones de pago, pero se pueden usar gratis—. Lo que pasa es que Shopping GPT no aparece activada por defecto: hay que ir al panel lateral izquierdo de ChatGPT, a la sección «GPT Store» (el icono con cuatro cuadraditos), donde hay varias herramientas especializadas —para generación de contenido, búsqueda de recursos académicos, etc.—, y ahí está también Shopping GPT, que se activa y se puede usar gratis sin problema.
Sobre el modelo de predicción: aparte de basarse en datos históricos, ¿se podría cambiar el modelo para hacer predicciones de otra forma?
Alazne: Entiendo que se refiere al Marketing Mix Modeling que hemos comentado. Ese modelo siempre se basa en datos históricos: cogemos un volumen masivo —lo ideal es al menos dos años de datos de calidad— y, a partir de ahí, infiere qué va a pasar en el futuro. Si no tenemos ese volumen ni ese histórico y aun así queremos predicciones, la alternativa es lo que hemos visto de conversaciones con GA4: coger el volumen de datos que tengamos, por limitado que sea, unificarlo en Claude, y sacar predicciones con datos más recientes, aunque con ese límite. Siempre necesitamos algo de datos de base.
¿Es fiable usar ChatGPT para gestionar todo el tema de las cookies?
Alazne: Sí y no. Para la parte previa —recopilar cookies, limpiarlas, clasificarlas, para no tener que analizarlas una por una en esa interfaz incómoda—, sí que sirve y facilita mucho el trabajo. Pero no elimina la necesidad de darle un segundo repaso nosotros, porque no podemos confiar al 100% en la IA para algo tan importante. Y, en cuanto a la gestión real —implementar un CMP, condicionar el lanzamiento de cookies a la aceptación del usuario—, eso es un trabajo manual que ninguna IA puede asumir; es una responsabilidad que, de hecho, la propia Agencia Española de Protección de Datos deja en manos de quienes gestionan la web.
Sobre Conversational Analytics: ¿es una herramienta aparte, tiene coste?
Alazne: Forma parte de Looker Studio, pero de Looker Studio Pro, no de la versión gratuita. El coste ronda los 9 € al mes por proyecto; Conversational Analytics en sí no tiene un coste adicional, lo que tiene coste es el Looker Studio Pro.
¿Cuándo estará disponible el chat potenciado por IA en Google Analytics 4?
Alazne: Es una noticia tan reciente que, de momento, no hay respuesta clara. Está en una beta muy preliminar, con acceso muy limitado, así que probablemente falte bastante tiempo hasta que podamos empezar a usarla con normalidad. Google suele desplegar estas cosas de forma progresiva: primero da acceso a los partners para testear y proponer mejoras, luego a los usuarios de la parte empresarial de Analytics, y después al resto. Diría que unos cuantos meses, como mínimo.
